1.基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，包括：采用3D MIMO-OFDM系统中接收到的导频值计算LS估计值，并对LS估计值进行预处理得到实部图像化表示和虚部图形化表示；

将实部图像化表示和虚部图形化表示分别作为已训练的实部CECNN模型和虚部CECNN模型的输入，并分别输出一个完整信道图像化表示；

分别对两个完整信道图像化表示进行归一化的逆向操作得到实部数据和虚部数据；以及对实部数据和虚部数据进行拼接，得到3D MIMO-OFDM系统完整的信道响应值；

所述实部CECNN模型和虚部CECNN模型的训练方法包括：A1、采用3D MIMO-OFDM系统产生LS估计值和完整信道值作为训练集数据；

A2、分别对LS估计值和完整信道值进行预处理，得到LS估计值的实部图像化表示和虚部的图像化表示及完整信道值的实部图形化表示和虚部图形化表示；

A3、将训练集数据LS估计值和完整信道值的实部图形化表示及训练集数据LS估计值和完整信道值的虚部图形化表示分别输入一个三层卷积神经网络；

A4、卷积神经网络对输入的图形化表示进行信道特征提取、非线性映射和完整信道恢复处理；

A5、判断卷积神经网的损失函数的值是否小于设定阈值；若是，完成卷积神经网络的训练得到实部CECNN模型或虚部CECNN模型，否则进入步骤A6；

A6、采用损失函数的值更新卷积神经网中每层卷积层的卷积核矩阵和神经元阈值，并返回步骤A4。

2.根据权利要求1所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，所述LS估计值的预处理包括对LS估计值进行拆分虚实部、归一化和插值放大处理。

3.根据权利要求2所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，采用MATLAB中的real函数和imag函数进行虚实部的拆分；插值放大处理为最近邻法或基于Bicubic函数的双三次插值；归一化处理的表达式为：其中，x*为归一化数据；x为原始数据；max和min分别为归一化数据集的最大值和最小值。

4.根据权利要求1所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，所述卷积神经网络对输入的图形化表示进行信道特征提取、非线性映射和完整信号恢复处理进一步包括：B1、采用卷积神经网络第一层的卷积层对输入的图形化表示进行信道特征提取：y1(x)＝f(w1*x+b1)

其中，x为输入的图像化表示；y1(x)为采用第一层的卷积层提取的低维信道特征；f(.)为激活函数；w1为第一层卷积核矩阵；b1为第一层神经元阈值；

B2、采用卷积神经网络第二层的卷积层对低维信道特征进行非线性映射：y2(x)＝f(w2*y1(x)+b2)

其中，y2(x)为高维信道特征；w2为第二层卷积核矩阵；b2为第二层神经元阈值；

B3、卷积神经网络第三层的卷积层采用高维信道特征重构完整信道：y3(x)＝w3*y2(x)+b3

其中，y3(x)为重构的完整信道；w3为第三层卷积核矩阵；b3为第三层神经元阈值。

5.根据权利要求4所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，第一层卷积核矩阵w1大小为c×f1×f1×n1；c＝1为第一层图像化表示的维度；f1＝9为第一层卷积核的大小；n1＝10为第一层滤波器的数量；

第二层卷积核矩阵w2大小为n1×f2×f2×n2，f2＝1为第二层卷积核的大小；n2＝5为第二层滤波器的数量；

第三层卷积核矩阵w3大小为n2×f3×f3×c，f3＝5为卷积核的大小。

6.根据权利要求1所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，所述损失函数为均方误差函数，其表达式为：其中，N为输出层的个数， 为第i个输出层的值，y(i)为对应的期望值。

7.根据权利要求1所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，对实部CECNN模型和虚部CECNN模型进行训练时，采用自适应矩估计算法，其学习速率为0.001，一阶矩估计的指数衰减率为0.9，二阶矩估计的指数衰减率为0.999，epsilon为

10-8，迭代次数为10000次。

8.根据权利要求1所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，对完整信道值进行预处理包括对完整信道值进行拆分虚实部和归一化处理。